Oossa
← 返回模型对比

模型测试结果

比较 AI 模型

每日检查

比较测试结果，了解各模型的不同优势，探索那些耳熟能详的名字之外的模型。

LiveBench 通过答案可验证的任务测试模型。分数越高越好，范围为 0 到 100。

最近检查时间: 测试套件版本: 2026-10-1449 个模型
1Claude Fable 5.1Anthropic87.986/100结果与来源

claude-fable-5.1

长时智能体任务
80.800 / 100
推理
91.700 / 100
编程
97.700 / 100
浏览器操作
100.000 / 100
数据分析
80.300 / 100
研究
82.000 / 100
设计
83.400 / 100

单项任务

long_agentic
80.800
reasoning
91.700
coding
97.700
browser
100.000
data_analysis
80.300
research
82.000
design
83.400
来源: LiveBench ↗
2Claude Opus 5.5Anthropic86.529/100结果与来源

claude-opus-5.5

长时智能体任务
85.000 / 100
推理
92.200 / 100
编程
96.300 / 100
浏览器操作
80.000 / 100
数据分析
80.300 / 100
研究
85.000 / 100
设计
86.900 / 100

单项任务

long_agentic
85.000
reasoning
92.200
coding
96.300
browser
80.000
data_analysis
80.300
research
85.000
design
86.900
来源: LiveBench ↗
3GPT-6 AstraOpenAI86.143/100结果与来源

gpt-6-astra

长时智能体任务
82.400 / 100
推理
92.700 / 100
编程
93.700 / 100
浏览器操作
84.000 / 100
数据分析
83.000 / 100
研究
85.200 / 100
设计
82.000 / 100

单项任务

long_agentic
82.400
reasoning
92.700
coding
93.700
browser
84.000
data_analysis
83.000
research
85.200
design
82.000
来源: LiveBench ↗
4GPT-6.1 SolOpenAI85.414/100结果与来源

gpt-6.1-sol

长时智能体任务
73.000 / 100
推理
92.600 / 100
编程
96.000 / 100
浏览器操作
88.000 / 100
数据分析
82.700 / 100
研究
83.500 / 100
设计
82.100 / 100

单项任务

long_agentic
73.000
reasoning
92.600
coding
96.000
browser
88.000
data_analysis
82.700
research
83.500
design
82.100
来源: LiveBench ↗
5Gemini 4 ArgonGoogle84.100/100结果与来源

gemini-4-argon

长时智能体任务
69.900 / 100
推理
95.100 / 100
编程
89.700 / 100
浏览器操作
92.000 / 100
数据分析
85.200 / 100
研究
83.100 / 100
设计
73.700 / 100

单项任务

long_agentic
69.900
reasoning
95.100
coding
89.700
browser
92.000
data_analysis
85.200
research
83.100
design
73.700
来源: LiveBench ↗
6Claude Fable 5Anthropic83.614/100结果与来源

claude-fable-5

长时智能体任务
53.200 / 100
推理
89.700 / 100
编程
98.300 / 100
浏览器操作
92.000 / 100
数据分析
80.500 / 100
研究
86.900 / 100
设计
84.700 / 100

单项任务

long_agentic
53.200
reasoning
89.700
coding
98.300
browser
92.000
data_analysis
80.500
research
86.900
design
84.700
来源: LiveBench ↗
7Claude Sonnet 5.5Anthropic82.457/100结果与来源

claude-sonnet-5.5

长时智能体任务
78.800 / 100
推理
91.600 / 100
编程
94.700 / 100
浏览器操作
84.000 / 100
数据分析
59.500 / 100
研究
83.600 / 100
设计
85.000 / 100

单项任务

long_agentic
78.800
reasoning
91.600
coding
94.700
browser
84.000
data_analysis
59.500
research
83.600
design
85.000
来源: LiveBench ↗
8Claude Opus 5Anthropic82.086/100结果与来源

claude-opus-5

长时智能体任务
62.100 / 100
推理
91.200 / 100
编程
90.800 / 100
浏览器操作
84.000 / 100
数据分析
74.600 / 100
研究
88.900 / 100
设计
83.000 / 100

单项任务

long_agentic
62.100
reasoning
91.200
coding
90.800
browser
84.000
data_analysis
74.600
research
88.900
design
83.000
来源: LiveBench ↗
9GPT-6 SolOpenAI81.914/100结果与来源

gpt-6-sol

长时智能体任务
66.900 / 100
推理
88.700 / 100
编程
93.100 / 100
浏览器操作
92.000 / 100
数据分析
81.200 / 100
研究
69.300 / 100
设计
82.200 / 100

单项任务

long_agentic
66.900
reasoning
88.700
coding
93.100
browser
92.000
data_analysis
81.200
research
69.300
design
82.200
来源: LiveBench ↗
10DeepSeek V4.1 Flash 1017DeepSeek79.200/100结果与来源

deepseek-v4.1-flash-1017

长时智能体任务
50.900 / 100
推理
89.100 / 100
编程
96.000 / 100
浏览器操作
76.000 / 100
数据分析
79.500 / 100
研究
79.500 / 100
设计
83.400 / 100

单项任务

long_agentic
50.900
reasoning
89.100
coding
96.000
browser
76.000
data_analysis
79.500
research
79.500
design
83.400
来源: LiveBench ↗
11Muse Wonder 1.0Meta78.100/100结果与来源

muse-wonder-1.0

长时智能体任务
53.200 / 100
推理
90.600 / 100
编程
86.200 / 100
浏览器操作
72.000 / 100
数据分析
81.600 / 100
研究
88.000 / 100
设计
75.100 / 100

单项任务

long_agentic
53.200
reasoning
90.600
coding
86.200
browser
72.000
data_analysis
81.600
research
88.000
design
75.100
来源: LiveBench ↗
12DeepSeek V4.1 FlashDeepSeek78.043/100结果与来源

deepseek-v4.1-flash

长时智能体任务
40.100 / 100
推理
86.700 / 100
编程
90.200 / 100
浏览器操作
84.000 / 100
数据分析
79.300 / 100
研究
86.800 / 100
设计
79.200 / 100

单项任务

long_agentic
40.100
reasoning
86.700
coding
90.200
browser
84.000
data_analysis
79.300
research
86.800
design
79.200
来源: LiveBench ↗
13Claude Opus 4.8Anthropic76.771/100结果与来源

claude-opus-4.8

长时智能体任务
48.300 / 100
推理
89.200 / 100
编程
77.300 / 100
浏览器操作
96.000 / 100
数据分析
66.000 / 100
研究
81.800 / 100
设计
78.800 / 100

单项任务

long_agentic
48.300
reasoning
89.200
coding
77.300
browser
96.000
data_analysis
66.000
research
81.800
design
78.800
来源: LiveBench ↗
14GPT-5.6 SolOpenAI76.257/100结果与来源

gpt-5.6-sol

长时智能体任务
48.500 / 100
推理
91.700 / 100
编程
89.700 / 100
浏览器操作
88.000 / 100
数据分析
79.800 / 100
研究
54.500 / 100
设计
81.600 / 100

单项任务

long_agentic
48.500
reasoning
91.700
coding
89.700
browser
88.000
data_analysis
79.800
research
54.500
design
81.600
来源: LiveBench ↗
15Claude Haiku 5.5Anthropic75.643/100结果与来源

claude-haiku-5.5

长时智能体任务
57.600 / 100
推理
82.400 / 100
编程
91.400 / 100
浏览器操作
80.000 / 100
数据分析
53.100 / 100
研究
81.900 / 100
设计
83.100 / 100

单项任务

long_agentic
57.600
reasoning
82.400
coding
91.400
browser
80.000
data_analysis
53.100
research
81.900
design
83.100
来源: LiveBench ↗
16GPT-5.6 TerraOpenAI74.986/100结果与来源

gpt-5.6-terra

长时智能体任务
48.400 / 100
推理
90.600 / 100
编程
86.200 / 100
浏览器操作
84.000 / 100
数据分析
79.300 / 100
研究
60.400 / 100
设计
76.000 / 100

单项任务

long_agentic
48.400
reasoning
90.600
coding
86.200
browser
84.000
data_analysis
79.300
research
60.400
design
76.000
来源: LiveBench ↗
17Grok 4.6 xHighxAI74.943/100结果与来源

grok-4.6

长时智能体任务
40.700 / 100
推理
91.200 / 100
编程
89.100 / 100
浏览器操作
64.000 / 100
数据分析
75.300 / 100
研究
84.500 / 100
设计
79.800 / 100

单项任务

long_agentic
40.700
reasoning
91.200
coding
89.100
browser
64.000
data_analysis
75.300
research
84.500
design
79.800
来源: LiveBench ↗
18MiMo V2.6 ProXiaomi74.871/100结果与来源

mimo-v2.6-pro

长时智能体任务
47.500 / 100
推理
79.600 / 100
编程
81.500 / 100
浏览器操作
88.000 / 100
数据分析
72.300 / 100
研究
76.700 / 100
设计
78.500 / 100

单项任务

long_agentic
47.500
reasoning
79.600
coding
81.500
browser
88.000
data_analysis
72.300
research
76.700
design
78.500
来源: LiveBench ↗
19Muse Spark 1.3Meta74.757/100结果与来源

muse-spark-1.3

长时智能体任务
40.400 / 100
推理
89.700 / 100
编程
90.200 / 100
浏览器操作
80.000 / 100
数据分析
79.600 / 100
研究
68.600 / 100
设计
74.800 / 100

单项任务

long_agentic
40.400
reasoning
89.700
coding
90.200
browser
80.000
data_analysis
79.600
research
68.600
design
74.800
来源: LiveBench ↗
20Grok 4.7xAI74.086/100结果与来源

grok-4.7

长时智能体任务
50.100 / 100
推理
82.700 / 100
编程
84.500 / 100
浏览器操作
60.000 / 100
数据分析
76.900 / 100
研究
86.400 / 100
设计
78.000 / 100

单项任务

long_agentic
50.100
reasoning
82.700
coding
84.500
browser
60.000
data_analysis
76.900
research
86.400
design
78.000
来源: LiveBench ↗

按未四舍五入的结果排序。分数相近并不代表差异具有实际意义。

每种确切的模型设置均单独列出。计算类别平均分需要该类别下的所有任务数据；计算总平均分需要所有类别的数据。类别内各任务等权，所有类别在总分中也等权。缺失结果不会按零分处理。排名按所选列的未四舍五入数值计算，并列者共享名次；搜索结果保留其在完整测试中的名次。旧分数不参与排名。显示的小数差异不代表统计显著差异。此视图仅涵盖一个测试套件，并不代表所有当前模型或所有类型的能力。

比较方式

这里显示的综合分数，是同一基准版本中所有 LiveBench 类别的等权平均值。只有每项任务都有结果时，才会计算总分。Arena 评分单独列出，因为它衡量的是用户偏好。我们不会根据名称相似度匹配不同来源中的模型：它们的版本和推理设置可能不同。这些测试并未覆盖所有模型或所有现实任务。

来源数据：LiveBench；Arena / LMArena（CC BY 4.0）。Oossa 计算所示任务的平均分，并以更简明的形式呈现结果。 Arena ↗ · 来源 ↗ · CC BY 4.0 ↗